㈠ python真的有那么厉害吗
每个编程语言都有自己不同的意图所在，每个人需求不一样，选择上也是不同的，没有什么比较而言。
Python在目前发展情况来说，的确是挺好的，而且在人工智能、数据分析、科学运算、web开发、爬虫等领域都得到了很好的应用，适合初学者学习，上手快、语法简单，当然了Python也存在一定的缺点，运行速度就比较慢了。
㈡ plc读取bms数据
新的PLC大都开始支持以太网（以前的串口局限性太大了），有的甚至在CPU上直接设置以太网接口，编程，数据传输，都可以通过这个端口来搞定，不再需要增加一个以太网接口卡。
下面是我整理的采集PLC数据的25种姿势：PLC->组态软件->OPC客户端/Modbus客户端2.PLC直连PLC协议转换器3.Kepware加嵌入式工控机，上面跑iot平台的agent。4.MatlabOPC工具箱5.LabviewOPC6.Pyopc加paho加mqttbroker7.PostgresqlSPI通过plc协议读PLC串口，将采集到的数据直接往数据库表里写8.Nodejs串口plc协议解析加mqtt9.awssitewiseopcua10.PLC自带Modbus协议支持，pymodbus加paho。11.最省硬件成本和流量的方案:WiFi芯片里跑协议解析和数据发送云平台。12.串口plc串口转以太网，tcp透传到公网服务器，ie浏览器里嵌入socket控件，用iisasp页面发送数据给服务器，然后返回。13.dtu透传串口或网口到公网服务器，公网服务器跑plc采集数据程序。14.PLC协议转换软件运行在嵌入式linux上，如kuraboschiot15.单片机，上面放两块芯片，一块通过网口或串口采集plc数据，一块主控。16.stm32单片机上跑micropython，用串口自己实现plc协议解析。17.安卓手机接usb转串口线，接plc，再把数据通过awsIoTandroidsdk发到云端http接口。接口收到后用微信python库发送数据到微信群里。18.给某水果公司代工的工厂，用macmini当工控机，用objective-c写plc数据采集驱动采集数据，通过vpn发送到苹果公司总部。让苹果公司总部实时掌握每天产量质量。19.pyopc或pyserial采集数据，然后用zeromq或amqp协议发送到云端。20.nodejs模块，然后用JS通过MQTToverwebsocket来发送数据到云端。前端界面开发人员分分钟变身物联网全栈开发人员。21.不写代码，用node-red拖。类似的是litmus。22.给工控人员用要简单易用，用c#开发agent，内置vbscript或lua脚本，提供几个函数，串口打开关闭，mqtt连接发布订阅。当然也可以java加jython。23.要是连懒得拖node-red，外包给thingworx或ignition的二次开发商。跟工厂用metasys二次开发商监控一回事。24.有钱像高铁或公安网建专网，或者像水果公司建vpn，plc就变成局域网设备，又安全又方便。没钱，就透传或中继。25.Wolfram的OPCClassic这是个Modelica库，可以让仿真模型通过OPC标准连接到OPC服务器，从而连到PLC设备。
在工业的信息化、智能化，甚至工业4.0的大潮中，很多高级算法都是由上位机、云来实现，那么PLC数据采集是最基本的前提条件之一。
㈢ 如何评价 AWS IoT
物联网还是起步阶段，没有成熟的市场，在市场上也很难转到钱。
但是，物联网毕竟是未来，总会来的。
所以，开发市场火了起来，毕竟，都想先到先得。大量的开发者，在为未来奋斗着，而资源有限制着这大量的小开发者，使他们无法施展手脚。
大开发者又在等小开发者为他们开发市场，以便后来居上！
So！
大的公司不直接开发万联网产品（人家不傻），而是开发出为开发者使用的产品——物联网服务器。美其名曰：为开发者服务，替小开发者降低研发和经营成本，为社会做贡献。一举多得，山人善举！！
But！
小开发者真的能赚到生活资本活下来吗？
活下来是极小的偶然事件。
大公司知道，所以他不愿意为偶然买单。不然你就好人做到底，免费且保证永远免费嘛。
这就是大公司。
看看人家大公司的优势：
1、现在可以转小开发者的钱。
2、关键控制力还在人家手中。
3、一旦市场成熟，人家靠着资源瞬间碾压市场上的小开发者。
4、如果有哪个小开发者有威胁力，要么同意人家收购你，要么直接关掉你。
㈣ 怎么在AWS查看物联网设备的收发数据
AWS IoT 控制台就提供了查看MQTT队列中数据的方式，请参见：
使用 AWS IoT MQTT 客户端查看设备 MQTT 消息
网页链接
㈤ 为什么说Python是大数据全栈式开发语言
就像只要会JavaScript就可以写出完整的Web应用，只要会Python，就可以实现一个完整的大数据处理平台。
云基础设施
这年头，不支持云平台，不支持海量数据，不支持动态伸缩，根本不敢说自己是做大数据的，顶多也就敢跟人说是做商业智能（BI）。
云平台分为私有云和公有云。私有云平台如日中天的 OpenStack
，就是Python写的。曾经的追赶者CloudStack，在刚推出时大肆强调自己是Java写的，比Python有优势。结果，搬石砸脚，2015年
初，CloudStack的发起人Citrix宣布加入OpenStack基金会，CloudStack眼看着就要寿终正寝。
如果嫌麻烦不想自己搭建私有云，用公有云，不论是AWS，GCE，Azure，还是阿里云，青云，在都提供了Python SDK，其中GCE只提供Python和JavaScript的SDK，而青云只提供Python SDK。可见各家云平台对Python的重视。
提到基础设施搭建，不得不提Hadoop，在今天，Hadoop因为其MapRece数据处理速度不够快，已经不再作为大数据处理的首选，但
是HDFS和Yarn——Hadoop的两个组件——倒是越来越受欢迎。Hadoop的开发语言是Java，没有官方提供Python支持，不过有很多第
三方库封装了Hadoop的API接口（pydoop，hadoopy等等）。
Hadoop MapRece的替代者，是号称快上100倍的 Spark ，其开发语言是Scala，但是提供了Scala，Java，Python的开发接口，想要讨好那么多用Python开发的数据科学家，不支持Python，真是说不过去。HDFS的替代品，比如GlusterFS， Ceph 等，都是直接提供Python支持。Yarn的替代者， Mesos 是C++实现，除C++外，提供了Java和Python的支持包。
DevOps
DevOps有个中文名字，叫做 开发自运维 。互联网时代，只有能够快速试验新想法，并在第一时间，安全、可靠的交付业务价值，才能保持竞争力。DevOps推崇的自动化构建/测试/部署，以及系统度量等技术实践，是互联网时代必不可少的。
自动化构建是因应用而易的，如果是Python应用，因为有setuptools, pip, virtualenv, tox,
flake8等工具的存在，自动化构建非常简单。而且，因为几乎所有Linux系统都内置Python解释器，所以用Python做自动化，不需要系统预
安装什么软件。
自动化测试方面，基于Python的 Robot Framework 企业级应用最喜欢的自动化测试框架，而且和语言无关。Cucumber也有很多支持者，Python对应的Lettuce可以做到完全一样的事情。 Locust 在自动化性能测试方面也开始受到越来越多的关注。
自动化配置管理工具，老牌的如Chef和Puppet，是Ruby开发，目前仍保持着强劲的势头。不过，新生代 Ansible 和 SaltStack ——均为Python开发——因为较前两者设计更为轻量化，受到越来越多开发这的欢迎，已经开始给前辈们制造了不少的压力。
在系统监控与度量方面，传统的Nagios逐渐没落，新贵如 Sensu 大受好评，云服务形式的New Relic已经成为创业公司的标配，这些都不是直接通过Python实现的，不过Python要接入这些工具，并不困难。
除了上述这些工具，基于Python，提供完整DevOps功能的PaaS平台，如 Cloudify 和 Deis ，虽未成气候，但已经得到大量关注。
网络爬虫
大数据的数据从哪里来？除了部分企业有能力自己产生大量的数据，大部分时候，是需要靠爬虫来抓取互联网数据来做分析。
网络爬虫是Python的传统强势领域，最流行的爬虫框架Scrapy，HTTP工具包urlib2，HTML解析工具beautifulsoup，XML解析器lxml，等等，都是能够独当一面的类库。
不过，网络爬虫并不仅仅是打开网页，解析HTML这么简单。高效的爬虫要能够支持大量灵活的并发操作，常常要能够同时几千甚至上万个网页同时抓取，传统的
线程池方式资源浪费比较大，线程数上千之后系统资源基本上就全浪费在线程调度上了。Python由于能够很好的支持协程（ Coroutine ）操作，基于此发展起来很多并发库，如Gevent，Eventlet，还有Celery之类的分布式任务框架。被认为是比AMQP更高效的ZeroMQ也是最早就提供了Python版本。有了对高并发的支持，网络爬虫才真正可以达到大数据规模。
抓取下来的数据，需要做分词处理，Python在这方面也不逊色，着名的自然语言处理程序包NLTK，还有专门做中文分词的Jieba，都是做分词的利器。
数据处理
万事俱备，只欠东风。这东风，就是数据处理算法。从统计理论，到数据挖掘，机器学习，再到最近几年提出来的深度学习理论，数据科学正处于百花齐放的时代。数据科学家们都用什么编程？
如果是在理论研究领域，R语言也许是最受数据科学家欢迎的，但是R语言的问题也很明显，因为是统计学家们创建了R语言，所以其语法略显怪异。而且
R语言要想实现大规模分布式系统，还需要很长一段时间的工程之路要走。所以很多公司使用R语言做原型试验，算法确定之后，再翻译成工程语言。
Python也是数据科学家最喜欢的语言之一。和R语言不同，Python本身就是一门工程性语言，数据科学家用Python实现的算法，可以直
接用在产品中，这对于大数据初创公司节省成本是非常有帮助的。正式因为数据科学家对Python和R的热爱，Spark为了讨好数据科学家，对这两种语言
提供了非常好的支持。
Python的数据处理相关类库非常多。高性能的科学计算类库NumPy和SciPy，给其他高级算法打了非常好的基础，matploglib让
Python画图变得像Matlab一样简单。Scikit-learn和Milk实现了很多机器学习算法，基于这两个库实现的 Pylearn2 ，是深度学习领域的重要成员。 Theano 利用GPU加速，实现了高性能数学符号计算和多维矩阵计算。当然，还有 Pandas ，一个在工程领域已经广泛使用的大数据处理类库，其DataFrame的设计借鉴自R语言，后来又启发了Spark项目实现了类似机制。
对了，还有 iPython ，这个工具如此有用，以至于我差点把他当成标准库而忘了介绍。iPython是一个交互式Python运行环境，能够实时看到每一段Python代码的结果。默认情况下，iPython运行在命令行，可以执行 ipython notebook 在网页中运行。用matplotlib绘制的图可以直接嵌入式的显示在iPython Notebook中。
iPython Notebook的笔记本文件可以共享给其他人，这样其他人就可以在自己的环境中重现你的工作成果；如果对方没有运行环境，还可以直接转换成HTML或者PDF。
为什么是Python
正是因为应用开发工程师、运维工程师、数据科学家都喜欢Python，才使得Python成为大数据系统的全栈式开发语言。
对于开发工程师而言，Python的优雅和简洁无疑是最大的吸引力，在Python交互式环境中，执行 import this
，读一读Python之禅，你就明白Python为什么如此吸引人。Python社区一直非常有活力，和NodeJS社区软件包爆炸式增长不
同，Python的软件包增长速度一直比较稳定，同时软件包的质量也相对较高。有很多人诟病Python对于空格的要求过于苛刻，但正是因为这个要求，才
使得Python在做大型项目时比其他语言有优势。OpenStack项目总共超过200万行代码，证明了这一点。
对于运维工程师而言，Python的最大优势在于，几乎所有Linux发行版都内置了Python解释器。Shell虽然功能强大，但毕竟语法不够优雅，写比较复杂的任务会很痛苦。用Python替代Shell，做一些复杂的任务，对运维人员来说，是一次解放。
对于数据科学家而言，Python简单又不失强大。和C/C++相比，不用做很多的底层工作，可以快速进行模型验证；和Java相比，Python语法简
洁，表达能力强，同样的工作只需要1/3代码；和Matlab，Octave相比，Python的工程成熟度更高。不止一个编程大牛表达过，Python
是最适合作为大学计算机科学编程课程使用的语言——MIT的计算机入门课程就是使用的Python——因为Python能够让人学到编程最重要的东西——
如何解决问题。
㈥ 如何运行Python脚本这是我上传在AWS SSH会话的应用程序的一部分
secureCRT支持运行.js和.vbs以及.py格式的脚本，无奈mac上识别前两个格式的脚本只能写一写Python脚本，
举个简单的例子，利用脚本直接ssh连接一台机器，
在View菜单中勾选Button Bar让这个菜单在下方显示出来，
在下方的Default右方右键出现一个菜单点击New Button按钮，在显示框的Function一栏选择Run Script中间选择编写好的.py文件 ！
㈦ 基于AWS开发编译的平台使用的是什么编译环境
开始前 先强烈建议 登录控制台走一遍亚马逊的引导流程，并用nodejs版 在你ubuntu上跑一边，把策略文件生成了。并了解如何创建事物（设备）
文档：https://docs.aws.amazon.com/iot/latest/developerguide/iot-gs.html
当前版本：
aws-iot-device-sdk-cpp： Release version 1.3.0
Openssl 版本： 1.0.2d
gcc：4.8.3（需支持c++11）
项目AWS IOT C++SDK git：
https://github.com/aws/aws-iot-device-sdk-cpp/tree/release
㈧ aws iot 服务支持哪些通信协议
对于 AWS IoT，您只需按用量付费，无最低费用。收费的依据是发布至 AWS IoT 的消息数量（发布费用），以及由 AWS IoT 向设备或应用程序传输的消息数量（传输费用）。
AWS IoT 不会针对向以下 AWS 服务传输的消息收费：Amazon S3、Amazon DynamoDB、AWS Lambda、Amazon Kinesis、Amazon SNS 和 Amazon SQS。
请参阅此页面底部的定价示例。
AWS IoT 免费套餐每月包含 250000 条免费消息 (发布或传输)，为期 12 个月。
按区域定价
区域 价格
美国东部（弗吉尼亚北部） 每 100 万条消息 5 USD
美国西部（俄勒冈） 每 100 万条消息 5 USD
欧洲（爱尔兰） 每 100 万条消息 5 USD
欧洲（法兰克福） 每 100 万条消息 5 USD
亚太地区（悉尼） 每 100 万条消息 6 USD
亚太地区（首尔） 每 100 万条消息 6 USD
亚太区域（东京） 每 100 万条消息 8 USD
亚太地区（新加坡） 每 100 万条消息 8 USD
㈨ aws上cpu利用率怎么用python采集
#!/usr/bin/python
#-*-coding:utf8-*-
__author__='chenwx'
defcpu_rate（）：
importtime
defcpu_r（）：
f=open（“/proc/stat”,“r”）
forf_lineinf:
break
f.close（）
f_line=f_line.split（“”）
f_line_a=[]
foriinf_line:
ifi.isdigit（）：
i=int（i）
f_line_a.append（i）
total=sum（f_line_a）
idle=f_line_a[3]
returntotal,idle
total_a,idle_a=cpu_r（）
time.sleep（2）
total_b,idle_b=cpu_r（）
sys_idle=idle_b-idle_a
sys_total=total_b-total_a
sys_us=sys_total-sys_idle
cpu_a=（float（sys_us）/sys_total）*100
returncpu_a
#printcpu_rate（）
㈩ aws ec2亚马逊免费空间支持python环境吗
支持的。免费的实例只是内存小一点，还是可以跑python。